Почему код некорректно работает с кириллицей?

Question

[BjornBorn]

Нужно посчитать процентное содержание каждого символа в тексте.

// исходная строка
$string = 'тестовая строка';

// строка с удаленными пробелами
$string = str_replace(' ', '', $string);

// строка, где удалены все повторяющиеся символы
$uniqueSymbols = implode(array_unique(mb_str_split($string, 1)));

// перебираем строку через цикл for
for ($i = 0; $i < mb_strlen($uniqueSymbols); $i++) {
         // символ строки           формула
    echo $uniqueSymbols[$i] .' - '. round((mb_substr_count($string, $string[$i]) / mb_strlen($string)) * 100, 1) . ' %<br><br>';
}

Если вводить английские символы, то всё работает корректно, но если вводить символы на кириллице, то вместо символов показывает кракозябры, а вместо процентов "0".

Answer 1

[Владимир Римидалв]

Потому что кириллица, когда ты берешь $uniqueSymbols[$i] ты берешь не итую букву, а итый байт

$letter = mb_substr($uniqueSymbols, $i, 1);
echo $letter .' - '. round((mb_substr_count($string, $letter) / mb_strlen($string)) * 100, 1) . ' %<br><br>';

Comments

[rPman]

добавлю, так как автор скорее всего об этом не задумывался, у текста есть понятие кодировка - какой символ какими числами кодируется.

str_replace работает с однобайтовыми кодировками, а это значит если используется utf8, и в какой то букве окажется байт, равный коду символа в str_replace, этот байт будет заменен на другой и символ и все последующие изменятся до неузнаваемости, в т.ч. до ошибочной строки

Альтернативное решение - перевести строку в однобайтовую кодировку, а затем по необходимости, обратно. С помощью mb_convert_encoding. Это имеет смысл если над строками операций много а однобайтовые работают в несколько раз быстрее... но, однобайтовые кодировки лишают возможности в одной строке использовать разные языки, ведь они могут вместить в себя ограниченное количество языков (чаще 2-3).

Answer 2

[Ипатьев]

Неэффективность этого решения просто вопиёт к небу. Перебирать строку столько раз, сколько в ней букв - это же кощунство. Неужели нельзя за один проход посчитать символы, а за второй вывести их веса? И получить условные O(n*3) вместо O(n*3 + n^2).

$len = mb_strlen($string);
$counts = array_count_values(mb_str_split($string));
foreach ($counts as $letter => $count) {
    echo "$letter: " . round($count / $len * 100, 1). "\n";
}

И заодно не придётся выковыривать из строки отдельные символы, которые мы уже выковыряли через mb_str_split.

А для практики будет полезнее реализовать подсчет символов самостоятельно, без использования встроенной функции РНР